PI Parameter Optimization by using Ant Colony Algorithm for Optimal Controlling of A Buck Converter's Output Voltage

Bu çalışmada, verimli enerji iletimi amacıyla kullanılan Buck tipi DC gerilim seviye düşürücüsünün, çıkış büyüklüğü kontrol altına alınmıştır. Kontrol süreci için ayrık zaman PI algoritması seçilmiştir. Kontrolöre ait Kp ve Ki parametreleri dönüştürücünün çıkış büyüklüğünün en düşük aşım yüzdesi ve yerleşme zamanı ile referans DC gerilim seviyesini hatasız takibini sağlanabilmesi amacıyla optimize edilmiştir. Optimizasyon, iteratif bir algoritma olan Karınca Kolonisi (ACO) algoritması ile sağlanmıştır. Kontrol sürecine ait eşzamanlı çalışmalar Matlab-Simulink üzerinden gerçekleştirilmiş; elde edilen sonuçlar literatürdeki sonuçlarla karşılaştırılıp tartışılmıştır. Kontrolör için önemli olan performans kriterleri açısında yapılan karşılaştırmalara göre, yerleşme zamanın daha kısa olduğu ve aşım değerlerinin daha düşük olduğu görülmüştür

Buck Dönüştürücü Çıkış Geriliminin Karınca Koloni Algoritması Kullanılarak PI Tabanlı Optimal Kontrolü

In this paper, the output voltage of the buck type DC voltage reducer that is used for the aim of efficient energy transmission is controlled. The discrete PI algorithm is chosen for the control process. The controller parameters Kp and Ki in order to ensure the faultless pursuit of reference DC output voltage level with output voltage of the converter lowest overflow percentage and settling time is optimized. Ant Colony Algorithm that is one of the iterative algorithms has been used in the optimization process. Simultaneous studies have been realized and the results obtained are compared and discussed with the results in the literature. Compared to the performance criteria that are important for the controller, it is seen that the settling time is shorter and the overshoot values are lower

Kaynakça

1. Biswal, M., 2011. Control Techniques for DCDC Buck Converter with Improved Performance, Master of Technology, Department of Electrical Engineering National Institute of Technology, Rourkela, 17-40.

2. Ürgün, S., Erfidan, T., Çoruh, N., 2008. DADA Buck Dönüştürücü Tasarımı ve Gerçeklenmesi, Elektrik-Elektronik-Bilgisayar Mühendisliği Sempozyumu (ELECO 2008), 358-361.

3. Arti Kamalakar, S.B., Kulkarni, N.R., 2012. Performance Verification of DC-DC Buck Converter using Sliding Mode Controller for Comparison with the Existing Controllers–A Theoretical Approach” International Journal of Advances in Engineering&Technology, 2(1), 258-268.

4. Besheer, A.H., Adly, M., 2012. Ant Colony System Based PI Maximum Power Point Tracking for Stand Alone Photovoltaic System, IEEE International Conference on Industrial Technology, 693-698.

5. Maamri, F., Bououden, S., Boulkaibet, I., 2015. An Ant Colony Optimization Approach for Parameter Identification of Piezoelectric Resonator Chaotic System, 16th International Conference on Sciences and Techniques of Automatic Control and Computer Engineering (STA), 811-816.

6. Kour, J., Tiwari, S., 2013. Ant Colony Optimization-a Tool for Online Tuning of a PI Controller for a Three Phase Induction Motor Drive, IEEE, Control, Automation, Robotics and Embedded Systems (CARE), International Conference.

7. Chonsatidjamroen, S., Areerak, K.N., Areerak, K.L., 2012. The Optimal Cascade Pi Controller Design of Buck Converters, Electrical Engineering/Electronics, Computer, Telecommunications and Information Technology (ECTI-CON), 9th International Conference, 6254130.

8. Moursy, Y., Khalil, R., Lecce, S., Poletto, V., Iskander, R., Louërat, M., 2016. Mixed-signal PI Controller in Current-mode DC-DC Buck Converter for Automotive Applications, Circuits and Systems (ISCAS), IEEE International Symposium, 7538873, 1610-1613.

9. Goss, S., Aron, S., Deneubourg, J.L., Pasteels, J.M., 1989. Self-organized Shortcuts in the Argentine ant, Naturwissenschaften 76, 579-581.

10. Dorigo, M., Blum, C., 2005. Ant Colony Optimization Theory: A Survey, Theoretical Computer Science, 243–278.

11. Wikimedia, https://en.wikipedia.org/wiki/ Ant_colony_optimization_algorithms

12. Toksari, M.D., 2016. A Hybrid Algorithm of Ant Colony Optimization (ACO) and Iterated Local Search (ILS) for Estimating Electricity Domestic Consumption: Case of Turkey, Electrical Power and Energy Systems 78, 776–782. Also, Wikimedia, https://commons.wikimedia.org/ wiki/File:Aco_branches.svg

13. Ünsal, M., Şahingöz, O.K., 2011. Etmen Tabanlı Teknolojilerin Karınca Kolonisi Eniyileme Uygulamalarında Kullanımları, Internet Konferansı, (INETTR'11), 1-11.

14. Özdağ, H., Aygör, N., Parlak, A., Karınca Kolonisi Algoritmasının Zaman Çizelgelemesi Üzerine: Bir Modellemesi ve Uygulaması, Akademik Bilişim’12- XIV. Akademik Bilişim Konferansı, Uşak Üniversitesi, 329-333.

15.Çayıroğlu, İ., İleri Algoritma Analizi, Ders Notları, Karabük Ün. Mühendislik Fakültesi.

16. Dereli, T., Daş, G.S., 2010. Konteyner Yükleme Problemleri için Karınca Kolonisi Optimizasyonu Yaklaşımı, Gazi Üniv. Müh. Mim. Fak. Der. Cilt 25, No 4, 881-894.

17. Gohari, P., 2006. Lecture 6: Discrete Equivalents, ELEC 6061, Ders Notu.

18. Köse, E., Mühürcü, A., 2016. The Control of A Non-Linear Chaotic System using Genetic and Particle Swarm Based on Optimization Algorithms”, IJISAE, 4(4), 145-149.

19. Mühürcü, A., Köse, E., 2017. Parameter Optimization of PI Controller By PSO for Optimal Controlling of A Buck Converter's Output”, IEEE-International Conference on Artificial Intelligence and Data Processing (IDAP17), September 16-17 2017, Malatya, Türkiye.

Kaynak Göster